From Independent Valuation to Customized Solutions
PLUTUS＋ MEMBER’S REPORT
No.62
株価分析の一手法としての回帰分析：価格補正の手法を中心に
May 29, 2015
明 石 正 道／石 田 良 輔
1. はじめに
株式の価格が争われる事案において、回帰分析の手法を採用する事例が増えています。
株価変動の分析における回帰分析の利用は、米国を中心に 1930 年代から研究されてきた
分野ですが、我が国の実務において本格的に導入されるようになったのは、後述するイン
テリジェンス事件などが契機になってのことであり、数年程度の蓄積があるに過ぎません。
そのため、株価分析の一手法としての回帰分析に関する理解が、企業担当者、法曹関係者
などの間に十分浸透しているとは言い難く、争点の複雑化を招いている傾向さえみられる
のが現状です。
本稿は、我が国の裁判で回帰分析が採用された代表的な事案を紹介するとともに、当該
事案で用いられた手法のうち、事後的な株価補正を実施する手法について概説し、株価分
析の一手法としての回帰分析に関する理解の一助としていただくことを目的とします。
なお、本稿の理解には、統計学及び回帰分析に関する基礎的な知識を必要とします。そ
れらを解説した良書は多数あり、正確な理解のためにはそれらをご参照いただくのが最善
ですが、本稿でも最低限の前提知識を補論としてまとめましたので、適宜ご参照いただけ
れば幸いです。
2. 回帰分析が採用された主な裁判
回帰分析が採用された主な裁判例
が採用された主な裁判例
株式の価格が争われた我が国の裁判において、回帰分析による株価の分析が主要な論点
になった事例としては、インテリジェンス事件、テクモ事件などが挙げられます。
2. 1 インテリジェンス株式買取価格決定申立事
インテリジェンス株式買取価格決定申立事件
株式会社 USEN（以下、USEN）が、上場子会社であった株式会社インテリジェンス（以
下、インテリジェンス）を株式交換により完全子会社化した事案です。
平成 20 年 7 月 1 日に株式交換の基本合意が発表され、その後株式交換比率が発表された
ことにより、インテリジェンスの株価は一定の株式交換比率を前提とした価格に収斂し、
以後 USEN の株価におおむね連動することとなりました。しかしながら、USEN の業績が低
©2015 PLUTUS CONSULTING, Ltd. All Rights Reserved.
1/13
From Independent Valuation to Customized Solutions
迷していたこともあり、基本合意の公表当日に 79,000 円であったインテリジェンスの終値
は、同年 9 月の上場廃止直前には 43,250 円まで下落しました。そのため、株式交換により
株式価値が毀損されたとして、インテリジェンスの反対株主が、いわゆる「ナカリセバ価
格」での買取を請求したものです。
本事案では、株式交換公表後、インテリジェンスの株価が USEN の株価に連動し、本来
の株価変動を示さなくなったことから、「ナカリセバ価格」としてどの時点の株価を用い
るかが問題となりました。この点、東京地方裁判所では、株式交換の基本合意が公表され
る直前の平均株価を基礎として買取価格が決定されました。
これに対し、会社側が主張する回帰分析による株価の補正を斟酌したのが東京高等裁判
所の決定です。すなわち、会社側は過去一定期間におけるインテリジェンスの株価と株価
指数の変動性の関係を回帰分析により定量化し、当該関係が株式交換公表後も維持された
とみなした場合の株価を推定することにより、株式交換の効力発生日までのあり得べき株
価を予測し、それが「ナカリセバ」価格であると主張しましたが、当該主張は一定の合理
性を有するものと評価されました。その結果、株式交換の効力発生日前一定期間における
予測株価の平均値が買取価格とされ、東京地方裁判所の決定よりも引き下げられるに至っ
たのです。
2. 2 テクモ株式買取価格決定申立事
テクモ株式買取価格決定申立事件
コーエー株式会社（以下、「コーエー」）とテクモ株式会社（以下、「テクモ」）が共
同株式移転を行い、コーエーテクモホールディングス株式会社を設立した事案です。
本事案には、株式会社スクウェア・エニックスからなされていた公開買付けの提案をテ
クモが拒絶し、同時にコーエーとの経営統合を公表したという背景があります。すなわち、
提案された公開買付価格が 1 株 920 円だったのに対し、
コーエーとの経営統合との公表後、
株式移転による上場廃止に至るまで、テクモの株価は当該価格を超えませんでした。その
ため、コーエーとの経営統合がテクモの株式価値を毀損させたとして、反対株主が株式会
社スクウェア・エニックスからの提案と同額での買取を請求し、会社側との協議が調わず
買取価格決定請求に至ったものです。
本事案では、株主による買取価格決定の申立てがなされた日の市場株価の終値が最終的
な買取価格とされ、その決定にあたり回帰分析の結果は直接参照されませんでした。しか
し、経営統合の公表という事象が株式価値を毀損させたかどうか、毀損させたとすれば、
当該事象が起こらなかった場合の「ナカリセバ価格」はどのように決まるかという争点に
つき、会社側、株主側の双方から回帰分析に基づく主張がなされ、それぞれの採用した手
法に明確な相違が見られたという点において、研究者・実務家の間で注目された事案の一
つです。
©2015 PLUTUS CONSULTING, Ltd. All Rights Reserved.
2/13
From Independent Valuation to Customized Solutions
3. 回帰分析による株価予測
回帰分析による株価予測
2.の事案で用いられた回帰分析は、二つの手法に大別することができます。
一つは、決定された株式交換比率、株式移転比率、公開買付価格等に鞘寄せされ、正常
な価格変動を示さなくなった株式につき、その前提となった取引がなかったと仮定した場
合の株価を予測する方法です。これは、ある時点から正常な市場価格を有しなくなった株
式につき、その後の相場変動に応じた株価変動を予測するという点で、事後的な価格補正
のための手法と位置づけられます。もう一つは、経営統合の公表、不正会計の表面化など、
株価に影響を及ぼすと考えられる事象が発生したとき、当該事象が株価に対して実際に影
響を及ぼしたかどうかを分析する手法であり、イベント分析と呼ばれます。以下では、直
観的な理解が容易な前者の手法について概説します。
3. 1 マーケット・モデルに基づく株価予測の手順
マーケット・モデルに基づく株価予測の手順
ある事象が生じなかったとみなした場合の株価を予測するにあたっては、次式のような
モデルを構築する場合があります。
Rit = α + βRmt + u t
[1]
ここで Ri は企業 i の株価変動率、Rm は日経平均株価、TOPIX などの市場を代表する株価
指数の変動率、αとβはそれぞれ定数項と回帰係数、u は確率的に変動する誤差項であり、
t は時点を示す添字です。このように、株価指数の変動により個々の株価の変動を説明しよ
うとするモデルをマーケット・モデルといいます。
マーケット・モデルは、株価指数が上昇傾向または下落傾向にある場合には、個別企業
の株価もその影響を受け、同様の傾向を示しやすいという前提に基づいています。マーケ
ット・モデルに基づく回帰分析による株価予測は、以下のような手順で行われます。
3. 1. 1 マーケット・モデルの構築
分析対象となる企業の株価変動を被説明変数、市場株価指数の変動率を説明変数として、
変数間の関係を表すモデルを構築します。
3. 1. 2 予測期間及び推定期間の設定
過去のデータに基づき[1]式のパラメタを推定する期間を推定期間といい、推定された式
に基づき株価の変動率を予測する期間を予測期間といいます。
推定期間は、その後の株価に影響を及ぼしたと思われる特定の事象の発生以前に、予測
期間は当該事象の発生後に設定するのが通常です。たとえば、特定の事象が当日の取引終
了後に判明した場合、株価に対する影響は翌営業日以降に現れるため、推定期間を当日ま
©2015 PLUTUS CONSULTING, Ltd. All Rights Reserved.
3/13
From Independent Valuation to Customized Solutions
で、予測期間を翌営業日以降とするのが適切です。ただし、当該事象が取引中に開示され
たり、憶測報道などにより取引終了前に公知となったりした場合には、その前日までを推
定期間、当日以降を予測期間とした方が妥当な場合もあります。
3. 1. 3 回帰式の推定
推定期間にわたり、分析対象となる企業の株価及び株価指数の変動率を観察し、前者を
被説明変数、後者を説明変数として、最小二乗法により[1]式のパラメタを推定します。
3. 1. 4 予測変動率の算出
上記の手続により算出された回帰式に対し、予測期間における株価指数の変動率を当て
はめることにより、分析対象となる企業の株価の変動率を予測します。
3. 1. 5 予測株価の算出
予測期間初日における、分析対象となる企業の株価に対し、上記の予測変動率を順次適
用していくことにより、予測期間における対象企業の株価を予測します。
3. 2 数値例
以下では、株式会社日立製作所（以下、日立製作所）を例に、マーケット・モデルによ
り株価を予測するとともに、予測された株価を実際の株価と比較することにより、回帰分
析の有効性について検討します。
3. 2. 1 前提条件
推定期間は平成 26 年 1 月 1 日から 6 月 30 日までの 6 ヶ月、予測期間は同年 7 月 1 日か
ら 12 月 31 日までの 6 ヶ月とし、株価指数には TOPIX を用います。また、変動率は、当日
の終値を前営業日で除した値から 1 を控除することにより算出します。
3. 2. 2 回帰式の推定
図 1 は、TOPIX の変動率を横軸、日立製作所の株価の変動率を縦軸にとり、予測期間に
おける日々の変動率をプロットするとともに、最小二乗法により回帰直線を当てはめたも
のです。これにより、回帰式は以下のように推定されました。
RHITACHI = −0.0002 + 1.1831RTOPIX
(-0.17)
[2]
(13.51)
[2]式は、TOPIX が 1%変動したとき、日立製作所の株価が約 1.18%変動することを意味し
ています。
©2015 PLUTUS CONSULTING, Ltd. All Rights Reserved.
4/13
From Independent Valuation to Customized Solutions
また、図 1 にある R2 は、決定係数と呼ばれる指標で、被説明変数の変動のうち、説明変
数の変動により説明可能な部分の割合を示し、高ければ高いほど、回帰式が実際のデータ
の変動に当てはまっていることを示しています。設例では決定係数が 0.6076 となっており、
これは市場全体の平均と比べても非常に高い値です。
定数項及び回帰係数の推定値の下にある括弧内の数値は t 値と呼ばれ、推定値の真の値が
0 でないかどうかを吟味する際の基準となります。詳細については補論に譲りますが、t 値
が絶対値でおおむね 2 を超えれば、定数項または回帰係数の真の値が 0 である可能性は十
分に低いと評価されます。[2]式の場合、回帰係数の t 値は 13.51 と十分に高く、TOPIX と日
立製作所の株価との間には、十分な確度で比例的な関係が存在すると結論づけることがで
きます。定数項の t 値は-0.17 であり、こちらについては真の値が 0 である可能性を否定で
きませんが、回帰係数の有意性さえ確かめられていれば、致命的な問題とはなりません。
＜図 1 TOPIX の変動率を説明変数として推定した日立製作所の株価変動の回帰式＞
なお、上記の計算は、Microsoft Excel の分析ツールを用いることにより簡単に実行できま
す。より高度な分析をする上では、専用の統計パッケージが必要となる場合もありますが、
本稿で解説している標準的な線形回帰モデルの場合には、Microsoft Excel でも何ら不足はあ
りません。
3. 2. 3 予測株価の算出及び実際株価との比較
推定期間における TOPIX と日立製作所の株価の関係は、[2]式によって示されます。当該
関係が、予測期間においても維持されるとの前提を置くと、日立製作所の株価変動率は、
平成 26 年 7 月 1 日以降における TOPIX の変動率を、[2]式に当てはめることにより予測で
きます。また、推定期間最終日である 6 月 30 日の取引終了時点で、日立製作所の株価は 742
©2015 PLUTUS CONSULTING, Ltd. All Rights Reserved.
5/13
From Independent Valuation to Customized Solutions
円でした。よって、この終値に対し、予測期間初日以降の予測変動率を順次適用していく
ことにより、同年末までの予測株価が算出されます。
図 2 は、このようにして求めた予測株価と、実際の株価の関係を示したものです。赤線
で示された実際株価の動きと、青線で示された予測株価の動きがほぼ重なっており、回帰
式は実際の株価変動を高い精度で予測していることが分かります。
ただし、全ての株式につき、このような予測ができるわけではありません。日立製作所
の株式は、我が国に上場している三千数百社の中でも、常に上位 50 位以内に位置づけられ
る大型株であり、流動性が非常に高く、株式相場に歩調を合わせる形で安定的に変動して
います。逆に、これらの条件が満たされない株式については、推定された回帰式の精度が
低く、時間の経過とともに予測株価と実際株価の誤差が拡大していく場合が少なくありま
せん。また、回帰分析の結果は、推定期間の長さ、価格の観察周期、選択した株価指数な
どによっても相当程度変動します。
＜図 2 予測株価と実際株価の比較＞
また、上記のような予測株価と実際株価の比較による検証は、実際の分析においては利
用できないことに留意する必要があります。すなわち、実際にマーケット・モデルによる
株価予測が行われるのは、公開買付けの対象になるなどした結果、市場株価が正常な変動
を示さなくなった場合です。言い換えると、実際に株価を予測する局面では、市場株価が
正常に形成されていない以上、予測株価と実際株価の比較により回帰分析の妥当性を検証
ことはできません。しかるに、前提条件の置き方により推定結果が変動することは、回帰
分析による株価予測の本質的な限界を示すものといえます。
©2015 PLUTUS CONSULTING, Ltd. All Rights Reserved.
6/13
From Independent Valuation to Customized Solutions
4. おわりに
回帰分析は、株式の価格が争われる局面において、客観性、合理性の高い分析手法とし
て注目を集めています。本稿でも、回帰分析が高い精度で株価を予測しうる場合があるこ
とを示しました。しかしながら、回帰分析の結果は前提条件の置き方により変動しうるも
のです。また、過去の変動から将来の変動を予測するという手法が、将来の収益性を織り
込んで形成されるはずの株価の分析手法として適切なのかといった問題点も存在します。
回帰分析の持つこれらの問題点については、回を改め取り上げていく予定です。
©2015 PLUTUS CONSULTING, Ltd. All Rights Reserved.
7/13
From Independent Valuation to Customized Solutions
補論 回帰分析の概要
1. 回帰分析の意義
回帰分析とは、ある変数と他の変数の相関関係を一定の式により定量化する手法の一つ
である。
変数間の関係は様々であるが、最も簡明なのは以下のような一次式である。
Y = α + βX
[3]
[3]式は、Y の値が X の値の一次式により説明されることを示している。このようにある
変数（X）が他の変数（Y）に影響を及ぼすとき、影響を及ぼす変数（X）を説明変数、影
響を受ける変数（Y）を被説明変数と呼ぶ。
[3]式により記述される関係は、X と Y を座標軸とした平面上に、αを定数項、βを勾配
とした直線で示される。しかし、実際の分析においては、データが直線上に並ぶことは少
なく、直線を中心にした一定の範囲に散らばることの方が多い。このとき、[1]式は以下の
ように修正される。
Y = α + βX + u
[4]
[4]式は、回帰分析により推定される一次式であることから、回帰式または回帰直線と呼
ばれ、X の係数βは回帰係数と呼ばれる。また、u は[3]式のような直線では説明できない Y
の確率的な変動を示しており、誤差項と呼ばれる。
2. 最小二乗法による推計
実際のデータから[4]式のパラメタであるα及びβを導くには、最小二乗法と呼ばれる手
法を用いることが多い。
すなわち、[4]式の関係を前提とした場合、観測された X と Y のデータは、直線に近い関
係を有しつつも座標平面上の一定範囲に散らばることとなる。それらのデータに対して最
も適切な直線を当てはめようとする際、その定数項及び回帰係数を求めるための手法の一
つが最小二乗法である。
X と Y の観測値をそれぞれ Xi, Yi とするとき、最小二乗法は、次式で表される残差二乗和
を最小化するように、定数項及び回帰係数を求めるものに他ならない。
n
∑u
i =1
2
i
n
= ∑ {Yi − (α + βX i )}
2
[5]
i =1
©2015 PLUTUS CONSULTING, Ltd. All Rights Reserved.
8/13
From Independent Valuation to Customized Solutions
i は個別のデータを区分する添字であり、n はデータの総数を示している。
[5]式をα及びβで偏微分して 0 と置き、
回帰係数及び定数項について解くと次式を得る。
n
βˆ =
n
i =1
i =1
i =1
2
n ∑ X i − ∑ X i
i =1
i =1
n
n
n
αˆ =
n
n∑ X i Yi −∑ X i ∑ Yi
n
n
i =1
i =1
[6]
2
n
∑ X i2 ∑ Yi −∑ X iYi ∑ X i
i =1
n
n∑ X i
2
i =1
i =1
2
[7]
− ∑ X i
i =1
n
[6]式及び[7]式により推定された回帰係数及び定数項を用いることにより、Y を以下のよ
うに表すことができる。
Yˆ = αˆ + βˆX
[8]
3. 推定結果の吟味
推定された回帰式が、変数間の関係を表す上でどの程度有効かを吟味する上では、いく
つかの指標を検証する必要があり、特に重要な指標が決定係数及び t 値である。
3. 1 決定係数
決定係数は、回帰式の説明力を示す指標であり、以下の算式により表される。
∑ (Yˆ − Y )
n
2
i
R2 =
i =1
n
∑ (Y
i
−Y )
[9]
2
i =1
Y は Y の平均値を示している。
[9]式の分母は、実際に観察された Y の変動の大きさを意味し、分子は回帰式により推定
された Yˆ の変動の大きさを意味している。すなわち、[9]式で定義される決定係数は、Y の
変動のうち、回帰式で説明される変動の割合を示している。そして、決定係数は 0 から 1
の値をとり、数値が高いほど直線の当てはまりはよいと解釈される。
©2015 PLUTUS CONSULTING, Ltd. All Rights Reserved.
9/13
From Independent Valuation to Customized Solutions
決定係数が 1 をとる場合、観測された全ての X と Y のデータは回帰直線上に存在する。
これに対し、決定係数が 0 の場合、X と Y のデータは不規則に散らばり、回帰直線には説
明力が全くないということになる。
なお、[9]式で定義される決定係数は、パラメタの数に影響を受けることから、実際の分
析においては、その影響を取り除いた実質的な説明力を示すために、次式で定義される「自
由度調整済決定係数」を用いるのが一般的である。
R＊2 = 1 −
n −1
× 1− R2
n−k
(
)
[10]
[10]式の k はパラメタの数を示す。[3]式で定義される一次式であれば、αとβがパラメタ
となるため、k の値は 2 となる。
3. 1. 1 決定係数が高い銘柄
図 3 は、TOPIX の変動率を横軸、ある銘柄の株価の変動率を縦軸にとり、一定期間にお
ける各営業日の終値の変動率をプロットするとともに、それらに最もよく当てはまる直線
を最小二乗法により推定したものである。
自由度調整済決定係数は、0.680 と高いものとなっている。これは、当該個別銘柄の株価
変動のうち、約七割が TOPIX の変動により説明しうることを意味している。このように、
決定係数が高い銘柄では、実際の観測値が推定された直線から大幅に乖離することは比較
的少なく、プロットされた点は回帰直線の周囲に集まる傾向がある。
＜図 3 決定係数が高い銘柄＞
決定係数：0.680
©2015 PLUTUS CONSULTING, Ltd. All Rights Reserved.
10/13
From Independent Valuation to Customized Solutions
3. 1. 2 決定係数が低い銘柄
図 4 は、図 3 とは異なる銘柄の株価の変動率を縦軸にとり、図 3 と同様の期間における
各営業日の終値の変動率をプロットし、回帰直線を当てはめたものである。
自由度調整済決定係数は、0.068 と低いものとなっている。これは、当該銘柄の株価変動
のうち、TOPIX の変動により説明しうる部分が一割弱に過ぎないことを意味している。こ
のように、決定係数が低い銘柄では、プロットされた点は回帰直線を中心にしつつも、比
較的広い範囲に散らばる傾向がある。
＜図 4 決定係数が低い銘柄＞
決定係数：0.068
3. 2 t 値
t 値は、回帰分析により推定された回帰係数及び定数項の真の値が 0 でないかどうかを検
証する t 検定と呼ばれる手法において用いられる統計量である。
3. 2. 1 t 分布
t 検定について理解するには、t 分布と呼ばれる確率分布について理解する必要がある。
図 5 は、t 分布の分布曲線を示したものであり、横軸は t 分布に従う変数の値、縦軸は変
数が特定の値をとる確率を示している。分布曲線の形状から明らかなように、ある変数が t
分布に従う場合、0 をとる可能性が最も高く、変数の絶対値が大きくなればなるほど、その
値をとる確率は低くなる。
分布曲線の横軸をある区間で区切った場合、その区間と分布曲線とで囲まれた部分の面
積は、変数がその区間に収まる確率を示している。たとえば、変数の値が正となる確率は、
分布曲線の形状からも明らかなように 0.5 すなわち 50%であり、
負となる確率も同様である。
また、横軸を区切ることなく、横軸と分布曲線とで囲まれた、裾野が無限大に広がる領域
の面積を求めた場合、その値は 1 となる。
©2015 PLUTUS CONSULTING, Ltd. All Rights Reserved.
11/13
From Independent Valuation to Customized Solutions
＜図 5 t 分布＞
t 分布曲線は、正規分布曲線と同様左右対称の釣鐘型を示すが、自由度が低いほど裾野の
部分が厚くなる。また、データ数が十分に多い場合、t 分布は標準正規分布に収束すること
が知られている。この場合、変数が絶対値で 1.645 以内となる確率は 90%あり、1.96 以内と
なる確率は 95%あることが知られている。図 5 に即していえば、横軸上の-1.96 及び 1.96 の
点から垂直に線を引き、それらと分布曲線とで囲まれる部分の面積は 0.95 となる。また、
垂線の外側にある裾野の部分の面積は、左右合わせて 0.05 となる。
3. 2. 2 t 検定
t 検定とは、仮説検定と呼ばれる、母集団から抽出された標本に基づき、母集団の性質に
関する仮説を検証する統計的手法の一つである。
仮説検定にあたっては、まず帰無仮説と呼ばれる、棄却されることを前提とした仮説と、
それと表裏一体をなす対立仮説を立てる。その上で、標本のデータから計算される値が、
帰無仮説が成立するという前提の下では、一定の確率以下でしか生じ得ないことを示すこ
とにより、帰無仮説を棄却し、対立仮説を採択するという手法がとられる。ここで、帰無
仮説を棄却する基準となる一定の確率を有意水準という。
回帰分析においては、「回帰係数及び定数項の真の値が 0 である」という帰無仮説と、
「回帰係数及び定数項の真の値が 0 でない」という対立仮説を立てる。ここで、帰無仮説
の成立を前提にすると、実際に観察されたデータを用いて、回帰係数及び定数項のそれぞ
れにつき、t 値と呼ばれる値を求めることができる 。この t 値は、データの数を n, パラメ
タの数を k としたとき、自由度 n-k の t 分布に従うことが知られている 。
3. 2. 1 で述べた t 分布の性質から、t 値が絶対値でおおむね 2 を超える確率は約 5%となる。
©2015 PLUTUS CONSULTING, Ltd. All Rights Reserved.
12/13
From Independent Valuation to Customized Solutions
この場合、回帰係数及び定数項が 0 であるという帰無仮説の下では、約 5%の確率でしか生
じない希な事象が起きたことになる。その結果、帰無仮説は正しくない可能性が高いもの
として棄却され、回帰係数及び定数項が 0 でないという対立仮説が採択される。このとき、
回帰係数及び定数項は有意であるという。
有意水準として最も一般的に用いられるのは 5%であるが、それ以下の水準に設定される
場合もある。たとえば、t 分布が標準正規分布に収束する場合において、有意水準を 1%に
設定すると、t 値が絶対値で 2.58 以上となった場合に帰無仮説が棄却される。このように、
t 値の絶対値が大きくなるに従い、帰無仮説を棄却できる有意水準は低下していき、回帰係
数及び定数項はより有意なものとなる。
3. 2. 3 t 値の導出
[3]式で示した誤差項に関するいくつかの標準的な仮定が満たされる場合、次式で示され
る t 値は、自由度 n-k の t 分布に従うことが知られている。ここで n はデータの数、k はパ
ラメタの数を示す。
βˆ
[11]
Var ( βˆ )
αˆ
[12]
Var (αˆ )
[11]式及び[12]式の分母を標準誤差といい、それぞれ次式によって表される。
Var ( βˆ ) =
s2
∑ (X
n
− X)
[13]
2
i
i =1
2
1
X
Var (αˆ ) = s 2 + n
n ∑ ( X i − X )2
i =1
[14]
[13]式及び[14]式において、s2 は次式で与えられる残差の分散を示している。
n
s2 =
∑u
2
i
i =1
n−k
[15]
ここで、[15]式の分子は、[5]式に示した残差二乗和を、データの数からパラメタの数を控
除した値で除したものであり、残差の分散を示している。
©2015 PLUTUS CONSULTING, Ltd. All Rights Reserved.
13/13
© Copyright 2024 Paperzz
